第十二章：多群組比較推論 (Multisample Inference)

Author

Prof. AI

Published

June 29, 2026

12.1 導言與多重比較陷阱：別掉進 t 檢定的「無限手套」

同學們，在學完了雙樣本 t 檢定後，你們可能會覺得自己已經無所不能了。

想像一下：你現在是糖尿病醫學中心的主持人。你研發了三種不同的降血糖藥物（藥物 A、藥物 B、藥物 C），並招募了三組病患來做臨床試驗。你想知道這三種藥物的降血糖效果是否有顯著不同。

這時候，有的同學可能會自作聰明地想：「簡單啊！我用上一章學的獨立雙樣本 t 檢定，把這三組人馬兩兩對決：

  1. 藥物 A 對決 藥物 B （t 檢定）
  2. 藥物 A 對決 藥物 C （t 檢定）
  3. 藥物 B 對決 藥物 C （t 檢定） 對決三次，不就大功告成了嗎？」

逼逼——！大錯特錯！這是統計學中最經典的「多重比較陷阱」！

12.1.1 為什麼不能用多次 t 檢定？

還記得我們設定的顯著水準（第一型錯誤率） \(\alpha = 0.05\) 嗎？這代表每一次 t 檢定，我們冤枉好人的機率是 5%，而「正確做出決策」的機率是 \(1 - 0.05 = 0.95\)。

如果你對這三個藥物連續進行了 3 次獨立的 t 檢定，那麼這 3 次檢定中「至少有一次犯了第一型錯誤」的累積機率（又稱家族錯誤率, family-wise error rate）會暴增為：

\[\alpha_{\text{family}} = 1 - (0.95)^3 = 1 - 0.857 = 0.143 \text{ (也就是 14.3\%)}\]

如果組別更多，例如比較 5 組，你需要做 10 次 t 檢定，此時家族錯誤率會飆升到大約 40%！這代表你的研究有將近一半的可能得出偽陽性結論。

為了解決這個問題，我們需要一個「一錘定音」的工具，先一次性檢定所有組別的平均值是否相等。這個工具就叫做變異數分析 (Analysis of Variance, ANOVA)。

12.2 單因子變異數分析：變異的魔術

我們以最基本的單因子變異數分析 (One-Way ANOVA) 為例。它的任務是比較 \(k\) 個獨立組別的平均值是否相等：

  • 虛無假設 \(H_0: \mu_1 = \mu_2 = \dots = \mu_k\) （所有組別的平均值都一樣）。
  • 對立假設 \(H_1\)：這些組別的平均值「不全相等」（至少有兩組之間有顯著差異）。

12.2.1 變異數分析的奇妙邏輯

很多同學會問：「教授，我們要比較的是『平均值（Means）』，為什麼方法卻叫『變異數（Variance）分析』？」

這就是統計學家的智慧結晶。ANOVA 的核心邏輯是把數據的總變異（所有數據偏離總平均的程度）拆解成兩個部分：

  1. 組間平方和 (Between Sum of Squares, SSB)：
    • 來源：各組平均值與總平均值的差距。
    • 含意：由「藥物不同」所引起的療效變異。組間變異愈大，代表不同藥物間的效果差異愈明顯。
  2. 組內平方和 / 殘差平方和 (Within Sum of Squares / Error Sum of Squares, SSW / SSE)：
    • 來源：每個患者的數值與他自己那一組平均值的差距。
    • 含意：純屬個體差異或測量誤差（隨機誤差）。

\[SST \text{ (總變異)} = SSB \text{ (組間變異)} + SSW \text{ (組內誤差)}\]

我們將 SSB 除以其自由度 \(k-1\) 得到組間均方 (\(MSB\))；將 SSW 除以其自由度 \(n-k\) 得到組內均方 (\(MSW\))。 如果藥物真的有效，組間變異應該要遠遠大於組內的隨機誤差。我們計算它們的比值，得到 F 檢定統計量：

\[F = \frac{MSB}{MSW}\]

如果 \(F\) 值顯著大於 1，且其 p 值小於 0.05，我們就拒絕 \(H_0\)，認定這三種藥物中至少有兩組療效不同。

12.2.2 ANOVA 的三大基本假設

在使用 ANOVA 前，必須確認數據滿足以下條件：

  1. 獨立性：各組受試者互相獨立。
  2. 常態性：各組別的依變項在母體中必須服從常態分布。
  3. 變異數同質性 (Homoscedasticity / Homogeneity of Variance)：各組別的母體變異數必須相等。

12.3 事後多重比較：找出真正的幕後黑手

當 ANOVA 的 F 檢定告訴你「這三組降血糖藥有顯著不同（\(p < 0.05\)）」時，你高興地跳了起來。但主任走過來問：「所以到底是哪一組比哪一組好？」

這時，你不能就此打住，必須進行事後比較 (post-hoc test / multiple comparison)。事後比較經過了特殊的數學調整，能把整體的第一型錯誤率牢牢鎖定在 5% 以內。

常用的事後比較方法有：

  1. 邦菲羅尼修正 (Bonferroni Correction)：
    • 最簡單也最保守。直接把顯著水準除以比較次數。例如做 3 次比較，新的顯著水準就是 \(\alpha' = 0.05 / 3 = 0.0167\)。只有當兩兩比較的 p 值小於 0.0167 時，才算顯著。
  2. 圖奇顯著差異檢定 (Tukey's HSD Test)：
    • 最常用的黃金標準。適用於兩兩組別的所有配對比較，能提供非常精確且不會過於保守的修正。

12.4 無母數替代方案：Kruskal-Wallis 檢定

如果你的多組數據嚴重違反常態假設，或者變異數極度不同質，該怎麼辦？ 此時，我們使用 ANOVA 的無母數版本——克拉斯卡-瓦立斯檢定 (Kruskal-Wallis test)。它的原理同樣是把所有組別數據合併起來進行等級排名（Rank），然後分析各組排名的總和是否存在顯著差異。

12.5 實戰演練：三種降血糖藥物療效之 ANOVA 分析

現在，我們打開 RStudio。我們收集了 30 位糖尿病患者的空腹血糖降低值（mg/dL），將他們隨機分為三組（藥物 A、藥物 B、藥物 C，每組 10 人），進行 One-Way ANOVA 分析與事後 Tukey 檢定，並繪製出精美的組別對照箱形圖。

12.5.1 R 程式碼實作

# 1. 載入 ggplot2 繪圖套件
library(ggplot2)

# 2. 模擬生成三組患者的血糖降低值數據 (mg/dL)
set.seed(55)
drug_a <- rnorm(10, mean = 25, sd = 6)  # 藥物 A
drug_b <- rnorm(10, mean = 35, sd = 5)  # 藥物 B (預期效果最好)
drug_c <- rnorm(10, mean = 18, sd = 7)  # 藥物 C (預期效果較差)

df_anova <- data.frame(
  Drug = factor(c(rep("藥物 A (Drug A)", 10), rep("藥物 B (Drug B)", 10), rep("藥物 C (Drug C)", 10))),
  GlucoseReduction = c(drug_a, drug_b, drug_c)
)

# =======================================================
# 實作一：變異數同質性檢定 (Bartlett's Test)
# =======================================================
# ANOVA 前提診斷：p > 0.05 代表滿足變異數同質性
bartlett_res <- bartlett.test(GlucoseReduction ~ Drug, data = df_anova)

# =======================================================
# 實作二：執行單因子變異數分析 (One-Way ANOVA)
# =======================================================
# aov() 是 R 中進行變異數分析的函數
anova_model <- aov(GlucoseReduction ~ Drug, data = df_anova)
anova_summary <- summary(anova_model)

# =======================================================
# 實作三：執行 Tukey's HSD 事後多重比較
# =======================================================
tukey_res <- TukeyHSD(anova_model)

# 輸出統計結果
cat("=========================================\n")
cat(" 實作一：變異數同質性檢定結果\n")
cat("=========================================\n")
print(bartlett_res)

cat("\n=========================================\n")
cat(" 實作二：單因子變異數分析 (ANOVA) 結果\n")
cat("=========================================\n")
print(anova_summary)

cat("\n=========================================\n")
cat(" 實作三：Tukey's HSD 事後比較結果\n")
cat("=========================================\n")
print(tukey_res)

# =======================================================
# 4. 使用 ggplot2 繪製箱形圖並重疊個體數據點 (Jitter)
# =======================================================
p_anova <- ggplot(df_anova, aes(x = Drug, y = GlucoseReduction, fill = Drug)) +
  # 畫箱形圖 (隱藏預設離群值，改由隨機抖動點呈現)
  geom_boxplot(alpha = 0.7, color = "#2d3748", outlier.shape = NA, width = 0.45) +
  # 疊加個人數據散佈點
  geom_jitter(shape = 16, width = 0.1, size = 2.5, color = "#2d3748", alpha = 0.6) +
  scale_fill_manual(values = c("藥物 A (Drug A)" = "#90cdf4", 
                               "藥物 B (Drug B)" = "#4299e1", 
                               "藥物 C (Drug C)" = "#2b6cb0")) +
  labs(
    title = "三種降血糖藥物之療效比較 (ANOVA 分析)",
    subtitle = "呈現各組血糖降低值 (mg/dL) 之分佈與個體數據點",
    x = "藥物分組 (Drug Groups)",
    y = "空腹血糖降低值 Fasting Glucose Reduction (mg/dL)"
  ) +
  theme_minimal(base_family = "Noto Sans CJK TC", base_size = 12) + # Windows 請替換為 Microsoft JhengHei
  theme(
    plot.title = element_text(size = 15, hjust = 0.5, color = "#2d3748", lineheight = 1.1),
    plot.subtitle = element_text(size = 11, hjust = 0.5, color = "#718096"),
    axis.title = element_text(size = 12, color = "#4a5568"),
    axis.title.x = element_text(margin = margin(t = 10)),
    axis.title.y = element_text(margin = margin(r = 12)),
    axis.text = element_text(size = 11, color = "#2d3748"),
    legend.position = "none", # x 軸已有分組標記，圖例可隱藏
    panel.background = element_rect(fill = "#f7fafc", color = NA),
    plot.background = element_rect(fill = "white", color = NA),
    plot.margin = margin(20, 28, 20, 54)
  )

# 顯示圖檔
print(p_anova)
=========================================
 實作一：變異數同質性檢定結果
=========================================

    Bartlett test of homogeneity of variances

data:  GlucoseReduction by Drug
Bartlett's K-squared = 2.1349, df = 2, p-value = 0.3439


=========================================
 實作二：單因子變異數分析 (ANOVA) 結果
=========================================
            Df Sum Sq Mean Sq F value   Pr(>F)    
Drug         2   1235   617.3   14.44 5.45e-05 ***
Residuals   27   1154    42.8                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

=========================================
 實作三：Tukey's HSD 事後比較結果
=========================================
  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = GlucoseReduction ~ Drug, data = df_anova)

$Drug
                                      diff        lwr       upr     p adj
藥物 B (Drug B)-藥物 A (Drug A)  11.140205   3.889382 18.391029 0.0020461
藥物 C (Drug C)-藥物 A (Drug A)  -4.028037 -11.278860  3.222787 0.3665386
藥物 C (Drug C)-藥物 B (Drug B) -15.168242 -22.419066 -7.917418 0.0000534

12.5.2 執行結果與圖表解讀

上方執行區已列出 Bartlett 變異數同質性檢定、ANOVA 與 Tukey HSD 事後比較的完整結果。整體而言，變異數同質性假設可接受，ANOVA 顯示三組降血糖效果並非完全相同，而事後比較可進一步判斷差異主要來自哪些藥物組合。

數據診斷分析與決策：

  • 從圖中可以一目了然地看出：藥物 B（中間的深藍色箱子）的降血糖效果最好，明顯優於其他兩組。
  • 雖然藥物 C 的效果看似比藥物 A 差一點，但 Tukey 事後檢定需要搭配調整後 p 值判讀；因此臨床決策不能只靠箱形圖視覺差異，而應結合上方事後比較結果。

12.6 本章名詞對照表 (Glossary)

中文名稱 英文名稱 定義與說明
多群組比較推論 Multisample inference 同時對三個或多個獨立群體之參數進行比較與假設檢定的程序。
變異數分析 Analysis of variance (ANOVA) 通過將數據總變異拆解為不同來源，以檢定多組平均數是否相等的統計方法。
單因子變異數分析 One-way ANOVA 用於探討一個單一自變項類別因子，對一個連續型依變項之影響的變異數分析。
組間平方和 Between sum of squares (SSB) 由各組平均值與總平均值的偏離所引起的變異大小。
組內平方和 (殘差平方和) Within sum of squares (SSW / SSE) 由於組內個體差異與隨機誤差所引起的變異大小。
均方 Mean square (MS) 平方和除以其對應自由度後所得的數值（變異數的無偏估計）。
F 檢定統計量 F-statistic 在 ANOVA 中，組間均方與組內均方的比值，用以與 F 分布進行對比。
變異數同質性 Homoscedasticity / Homogeneity of variance 假設不同比較組別在母體中的變異數皆相同的統計前提。
事後多重比較 Post-hoc multiple comparison 在 ANOVA 檢定顯著後，為避免家族錯誤率上升而進行的兩兩組別修正檢定。
邦菲羅尼修正 Bonferroni correction 將顯著水準除以比較次數以控制多重比較整體錯誤率的保守修正法。
圖奇顯著差異檢定 Tukey's HSD test 用於控制整體第一型錯誤率，對所有可能組別配對進行兩兩比較的事後檢定。
Kruskal-Wallis 檢定 Kruskal-Wallis test 當數據不服從常態分佈時，用於比較三組以上獨立樣本分佈的無母數替代方法。